一、基本信息
论文题目：《A Joint Optimization Approach for Personalized Recommendation Diversification》
发表时间：PAKDD 2018
论文作者及单位：
论文地址：https://link.springer.com/chapter/10.1007%2F978-3-319-93040-4_47
二、摘要
在推荐系统中，感兴趣的项目通常被划分为诸多类别，如电影的各类型。现有的研究表明，多样化的推荐结果可以改善真实的用户体验，但是，大多数现有的方法都没有考虑到不同类别的用户其兴趣（即用户偏好）通常是不同的，这种用户偏好在多样化的推荐中没有反映出来。本文提出了一种在推荐多样化结果时考虑不同类别用户偏好的算法，并将此问题称为个性化推荐多样化。
在所提出的算法中，一个捕获不同类别的用户偏好的模型是针对相关性和多样性共同优化的。为了为该算法提供信息丰富的训练标签，有效地评估推荐的多样性，我们还提出了一种新的个性化多样性度量方法。这种措施克服了现有措施在评估推荐多样性时的局限性：现有措施要么不能有效地处理不同类别的用户偏好，要么不能同时评估相关性和多样性。利用两个真实数据集进行的实验证实了该算法的优越性，并证明了该方法在捕获用户偏好方面的有效性。
三、论文主要内容与工作
在大多数推荐系统中，项目按预先定义的类别分类，例如电影类型或音乐类型。最近的研究表明，用户的兴趣通常会传播到几种不同类型（为了便于展示，我们将简单地使用类型来表示以下类别）。然而，许多现有的算法（如[7,8]）只试图优化推荐的准确性或项目相关性，这并不能满足用户的不同兴趣。事实上，相关性和多样性的目标在很大程度上是正交的，也就是说，针对相关性的优化可能会推荐非常相似的项目，而针对多样性的优化可能会出现不太相关的项目。多样性的推荐算法旨在同时实现这两个目标，并推荐具有高度相关性的不同项目。这方面的现有工作要么将相关性和多样性优化分开[18]，要么没有明确考虑通用偏好中的个性化[3,5,21]。
用户通常对不同的风格有不同的偏好[18]。此类类型偏好的高度差异需要高度个性化的推荐多样性算法，其目的是提供适合个人用户类型偏好的不同推荐[18]。例如，表1显示了推荐给对动作和戏剧电影感兴趣的用户的三个电影列表。“非多样性记录”栏目下的电影都是动作片，在类型上都相似。在“diversity without user pref.”和“diversity with user pref.”列下的电影也通过放映戏剧电影来解决这个问题。假设用户喜欢动作片，“diversity without user pref.”一栏对这两种类型（推荐两部动作片和两部戏剧片）进行了同等对待，并且没有考虑用户的类型偏好。本例中的“diversity with user pref.”列提供了更好的建议，即个性化的多样化建议，这是本文的目标。
为此，我们提出了一种个性化的多样性算法，以共同优化相关性和多样性，并明确考虑多样性中的个性化风格偏好。所提出的算法迭代地选择最大化两个组件的函数（即排名函数）的项目：一个为用户对项目的评级建模，另一个为用户对项目的类型偏好建模。这两个部分通过联合优化方法协作，尽可能准确地推荐项目（准确的评级预测），并使项目列表尽可能个性化多样（个性化多样性排名）。联合优化方法使个性化多样性算法能够使用真正的评分和预先确定的项目排名作为训练信息来源，其中项目排名指示在给定选定项目列表的个性化多样性建议中应选择哪个项目。
为了为我们的算法提供有效的项目排名（即训练标签），我们需要测量每个用户的推荐多样性，即个性化多样性。现有措施在评估个性化多样性方面存在局限性：它们要么不能处理用户不同类型的偏好[4]，要么忽略用户的次要兴趣[1]，要么不能同时评估相关性和多样性[18]。为了克服这些局限性，我们提出了一种新的个性化多样性度量，它根据用户对列表所涵盖的类型的偏好来评估项目列表。这使得在我们的度量下得分最高的项目列表（即理想列表）具有所需的属性[18]：每个类型都根据列表中的个性化类型首选项进行表示。
本文的主要贡献包括：
（1）提出了一种新的基于关联性和多样性联合优化的排序函数学习算法。
（2）我们还提出了一个个人化的多样性度量，可以有效地评估建议的个性化多样性。
（3）使用不同领域的真实数据集进行的实验表明，所提出的算法优于几种基线方法，并且所提出的度量在捕获个性化类型偏好方面更有效。
四、总结
本文研究了个性化推荐多样化的问题。提出了一种基于个性化的分类算法，将用户偏好结合起来，共同优化相关性和多样性。为了克服现有措施的局限性，我们提出了一种个性化的多样性措施来评价个性化建议的多样性。使用真实数据集的实验表明，该算法优于基线算法，包括最先进的倾向于排名算法。实验还验证了所提出的措施在捕获用户偏好方面的效果。